Notizie
Nuovo approccio infermieristico accelera la guarigione nelle infezioni postchirurgiche
Un recente studio cinese, pubblicato nel 2025 sul Pakistan Journal of Pharmaceutical Sciences, ha analizzato l’impatto di un programma mirato […]
Sepsi pediatrica, sviluppato modello predittivo precoce basato su apprendimento automatico
Utilizzando i dati delle cartelle cliniche elettroniche raccolti in pronto soccorso di un’ampia popolazione multicentrica, un team guidato da Elizabeth Alpern, della Northwestern University Feinberg di Chicago, Illinois (USA), ha sviluppato e validato modelli con AUROC elevato per prevedere il futuro sviluppo della sepsi. I modelli hanno raggiunto rapporti di verosimiglianza positivi nel prevedere sepsi e shock settico. I risultati, pubblicati su JAMA Pediatrics, evidenziano l’opportunità di avviare studi che combinino modelli basati su cartelle cliniche elettroniche con il giudizio clinico, per migliorare le previsioni.
La sepsi è una delle principali cause di morte nei bambini. Il riconoscimento e il trattamento precoci migliorano gli outcome, ma i modelli predittivi non hanno finora migliorato la diagnosi precoce. Nel tentativo di sviluppare modelli di apprendimento automatico per stimare la probabilità di sviluppare sepsi nelle 48 ore, il team ha preso in considerazione un registro multicentrico, utilizzando i dati delle cartelle cliniche elettroniche. Le prestazioni degli algoritmi di apprendimento automatico sono state confrontate per prevedere lo sviluppo di sepsi e shock settico. Per lo sviluppo del modello, i ricercatori hanno incluso cinque sistemi sanitari che contribuiscono alla Pediatric Emergency Care Applied Research Network, con visite al pronto soccorso per bambini di età compresa tra 2 mesi o più e meno di 18 anni.
Il set di dati includeva 1.604.422 visite idonee nella coorte di formazione del modello e 719.298 visite nella coorte di validazione. Le caratteristiche di performance per i modelli di predizione della sepsi sulla base dei criteri Phoenix Sepsis (PSC) erano AUROC di 0,92 (IC 95%, 0,92-0,93), per la regressione logistica, e di 0,94 (IC 95%, 0,93-0,94), per il gradient tree boosting.
Gli AUROC per i modelli di shock erano pari o superiori a 0,92. Infine, le caratteristiche predittive includevano l’indice di gravità dell’emergenza, i parametri vitali aggiustati per età e la complessità medica.
Fonte: JAMA Pediatrics 2025
https://jamanetwork.com/journals/jamapediatrics/article-abstract/2840033
